HumanNet

内容与规模

HumanNet 来自 2026-05 的论文（Deng、Zhou），声称是约 100 万小时的人类中心视频语料，带 3D 手/身位姿、SLAM 与重定向信息 [1]。Data Pyramid 综述表内记为 967,000（单元格未标明单位，是小时还是片段数不明）[2]，与论文口径略有差异；数据发布页未核到，故规模与 license 均不作确认。

谁在用

论文自述的第一步验证：用 1,000 小时第一视角数据续训 Qwen VLM，效果优于 100 小时 Magic Cobot 真机数据（论文口径）[1]。

已知缺陷

是否已公开下载、license 条款均未查到；结论仅为小规模续训验证，不等于机器人策略层面的 scaling。与 Egocentric-10K / 100K / 1M 相比，其差异在于带位姿标注，但需等待独立复现。

来源

1. https://arxiv.org/pdf/2605.06747 (2026-10-14)
2. https://arxiv.org/html/2607.24744v2 (2026-10-14)